提升 YOLO26 训练体验：使用 Comet 简化日志记录流程#
记录参数、指标、图像预测结果和模型检查点等关键训练详情对于机器学习至关重要——这能让你的项目保持透明、进展可衡量、结果可复现。
Watch: How to Use Comet for Ultralytics YOLO Model Training Logs and Metrics 🚀
Ultralytics YOLO26 可与 Comet（原名 Comet ML）无缝集成，高效捕获并优化 YOLO26 目标检测模型训练过程的每个方面。在本指南中，我们将介绍安装流程、Comet 设置、实时洞察、自定义日志记录和离线使用，确保你的 YOLO26 训练过程得到完整记录并经过精细调优，以取得出色结果。
Comet#
Comet 是一个用于跟踪、比较、解释和优化机器学习模型与实验的平台。在模型训练期间，你可以使用它记录指标、参数、媒体等内容，并通过美观的 Web 界面监控实验。Comet 帮助数据科学家更快地迭代，提升透明度和可复现性，并助力生产模型的开发。
释放 YOLO26 与 Comet 的强大能力#
将 Ultralytics YOLO26 与 Comet 结合使用，你可以获得一系列优势，包括简化实验管理、通过实时洞察快速调整、灵活且量身定制的日志记录选项，以及在互联网访问受限时离线记录实验的能力。这种集成让你能够基于数据做出决策、分析性能指标并取得卓越结果。
安装#
要安装所需的软件包，请运行：
# Install YOLO26 and Comet
pip install ultralytics comet_ml配置 Comet#
安装所需软件包后，你需要注册账号、获取 Comet API Key 并完成配置。
# Set your Comet API Key
export COMET_API_KEY=YOUR_API_KEY然后，通过 Comet 进行身份验证。Ultralytics 回调会创建实验，并使用 YOLO 的 project 训练参数作为 Comet 项目名称。
import comet_ml
comet_ml.login()如果你使用的是 Google Colab 笔记本，上面的代码会提示你输入 API key 以完成初始化。
使用方法#
在开始阅读使用说明之前，请务必查看 Ultralytics 提供的 YOLO26 模型。这将帮助你根据项目需求选择最合适的模型。
from ultralytics import YOLO
# Load a model
model = YOLO("yolo26n.pt")
# Train the model
results = model.train(
data="coco8.yaml",
project="comet-example-yolo26-coco128",
batch=32,
save_period=1,
save_json=True,
epochs=3,
)运行训练代码后，Comet 会在你的 Comet 工作区中创建一个实验，并自动跟踪此次运行。随后，你将获得一个链接，用于查看 YOLO26 模型训练过程的详细日志。
Comet 无需额外配置即可自动记录以下数据：mAP 和损失等指标、超参数、模型检查点、交互式混淆矩阵以及图像边界框预测结果。
使用 Comet 可视化了解模型性能#
让我们深入了解 YOLO26 模型开始训练后你将在 Comet 仪表板上看到的内容。仪表板是所有操作的中心，通过可视化和统计数据呈现各种自动记录的信息。下面快速浏览一下：
实验面板
Comet 仪表板的实验面板部分会整理并呈现不同运行及其指标，例如分割掩码损失、类别损失、精确率和平均精度。
指标
在指标部分，你还可以选择以表格格式查看指标，这些指标会显示在专用窗格中，如图所示。
交互式混淆矩阵
混淆矩阵位于 Confusion Matrix 选项卡中，提供了一种交互式评估模型分类准确率的方法。它详细列出了正确和错误的预测结果，帮助你了解模型的优势与不足。
系统指标
Comet 会记录系统指标，帮助识别训练过程中的任何瓶颈。其中包括 GPU 利用率、GPU 内存使用量、CPU 利用率和 RAM 使用量等指标。这些指标对于监控模型训练期间资源使用的效率至关重要。
自定义 Comet 日志记录#
Comet 支持通过设置环境变量来自定义日志记录行为。这些配置让你可以根据具体需求和偏好调整 Comet。Ultralytics 回调会读取以下环境变量（请在训练开始前设置）：
| 环境变量 | 默认值 | 描述 |
|---|---|---|
COMET_START_ONLINE | 1 | 以在线（1）或离线（0）模式运行实验。 |
COMET_PROJECT_NAME | args.project | Comet 工作区项目。未设置时回退到 YOLO 的 project 训练参数。 |
COMET_MODEL_NAME | Ultralytics | 为所记录模型工件注册的名称。 |
COMET_MAX_IMAGE_PREDICTIONS | 100 | 每次运行要记录的验证图像预测总数。 |
COMET_EVAL_BATCH_LOGGING_INTERVAL | 1 | 每第 N 个验证批次记录一次图像预测。 |
COMET_EVAL_LOG_IMAGE_PREDICTIONS | true | 开启（true）或关闭（false）图像预测记录。 |
COMET_EVAL_LOG_CONFUSION_MATRIX | false | 在每个验证周期记录混淆矩阵。训练结束时始终会记录最终矩阵。 |
COMET_MAX_CONFIDENCE_SCORE | 100.0 | 记录前应用于检测置信度分数的乘数（Comet 的 UI 需要百分比刻度）。 |
COMET_MODE (已弃用) | online | COMET_START_ONLINE 的旧版别名（"online" ↔ 1，"offline" ↔ 0）。会发出弃用警告。 |
对于布尔开关（COMET_EVAL_LOG_IMAGE_PREDICTIONS 和 COMET_EVAL_LOG_CONFUSION_MATRIX），值 1、true、yes、on、y 和 t 会被解析为 True（不区分大小写）。任何其他值都会被解析为 False。
记录图像预测#
你可以控制 Comet 在实验期间记录的图像预测数量。默认情况下，Comet 会从验证集中记录 100 个图像预测。不过，你可以更改此数量以更好地满足需求。例如，要记录 200 个图像预测，请使用以下代码：
import os
os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200"要完全禁用图像预测记录（例如，减少慢速连接上的上传量），请将 COMET_EVAL_LOG_IMAGE_PREDICTIONS 设置为 "false"：
import os
os.environ["COMET_EVAL_LOG_IMAGE_PREDICTIONS"] = "false"批次记录间隔#
Comet 允许你指定记录图像预测批次的频率。COMET_EVAL_BATCH_LOGGING_INTERVAL 环境变量控制此频率。默认设置为 1，即记录每个验证批次中的预测结果。你可以调整此值，以不同间隔记录预测结果。例如，将其设置为 4 后，每四个批次记录一次预测结果。
import os
os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4"禁用混淆矩阵记录#
在某些情况下，你可能不希望在每个周期之后记录验证集的混淆矩阵。你可以将 COMET_EVAL_LOG_CONFUSION_MATRIX 环境变量设置为 "false" 来禁用此功能。训练完成后，混淆矩阵只会记录一次。
import os
os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false"在线和离线模式#
默认情况下，Comet 以在线模式运行，并将实验数据流式传输到 Comet 服务器。如果你需要在无互联网访问的情况下进行训练，请在训练开始前设置 COMET_START_ONLINE=0。实验数据会保存在本地，之后可以使用 comet upload CLI 上传。
import os
os.environ["COMET_START_ONLINE"] = "0" # 1 (default) = online, 0 = offline早期版本使用 COMET_MODE="offline" 来实现此目的。为保持向后兼容性，该变量仍会生效，但会发出弃用警告。今后请使用 COMET_START_ONLINE。
项目名称#
默认情况下，Comet 回调会将 YOLO 的 project 训练参数传递给 Comet（如果未设置该参数，则使用 None，此时 Comet 会使用你的工作区默认项目）。使用 COMET_PROJECT_NAME 可覆盖此设置，无论 YOLO 训练参数如何，都将所有实验发送到指定的 Comet 工作区项目：
import os
os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments"模型工件名称#
COMET_MODEL_NAME 设置 Comet 为所记录模型工件注册的名称（默认为 Ultralytics）。在共享工作区中使用它来区分模型变体：
import os
os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"置信度分数缩放#
检测置信度分数以 [0, 1] 范围输出，但 Comet UI 默认以百分比刻度显示这些分数。回调会在记录前将每个分数乘以 COMET_MAX_CONFIDENCE_SCORE（默认为 100.0）。如果你更偏好原始概率或其他刻度，可以进行调整：
import os
os.environ["COMET_MAX_CONFIDENCE_SCORE"] = "1.0" # log raw [0, 1] scores总结#
本指南介绍了如何将 Comet 与 Ultralytics 的 YOLO26 集成。从安装到自定义设置，你已经学会了如何简化实验管理、获取实时洞察，并根据项目需求调整日志记录。
探索 Comet 官方 YOLOv8 集成文档，该文档同样适用于 YOLO26 项目。
此外，如果你希望深入了解 YOLO26 的实际应用，尤其是图像分割任务，那么这份关于使用 Comet 微调 YOLO26的详细指南将提供有价值的洞察和分步说明，帮助提升模型性能。
另外，要探索 Ultralytics 的其他精彩集成，请查看集成指南页面，其中提供了丰富的资源和信息。
常见问题#
要将 Comet 与 Ultralytics YOLO26 集成，请按照以下步骤操作：
-
安装所需软件包：
pip install ultralytics comet_ml -
设置你的 Comet API Key：
export COMET_API_KEY=YOUR_API_KEY -
在你的 Python 代码中通过 Comet 进行身份验证：
import comet_ml comet_ml.login() -
训练 YOLO26 模型并记录指标：
from ultralytics import YOLO model = YOLO("yolo26n.pt") results = model.train( data="coco8.yaml", project="comet-example-yolo26-coco128", batch=32, save_period=1, save_json=True, epochs=3, )
有关更详细的说明，请参阅 Comet 配置部分。
-
将 Ultralytics YOLO26 与 Comet 集成后，你可以：
- 监控实时洞察：即时获取训练结果反馈，从而快速进行调整。
- 记录丰富的指标：自动捕获 mAP、损失、超参数和模型检查点等关键指标。
- 离线跟踪实验：在无法访问互联网时，在本地记录训练运行。
- 比较不同的训练运行：使用交互式 Comet 仪表板分析和比较多个实验。
利用这些功能，你可以优化机器学习工作流，以获得更好的性能和可复现性。有关更多信息，请访问 Comet 集成指南。
Comet 支持使用环境变量对日志记录行为进行广泛自定义：
-
更改记录的图像预测数量：
import os os.environ["COMET_MAX_IMAGE_PREDICTIONS"] = "200" -
调整批次记录间隔：
import os os.environ["COMET_EVAL_BATCH_LOGGING_INTERVAL"] = "4" -
禁用混淆矩阵记录：
import os os.environ["COMET_EVAL_LOG_CONFUSION_MATRIX"] = "false" -
设置 Comet 项目名称：
import os os.environ["COMET_PROJECT_NAME"] = "my-yolo26-experiments" -
设置所记录的模型工件名称：
import os os.environ["COMET_MODEL_NAME"] = "yolo26n-coco128"
有关完整列表（包括图像预测开关、置信度分数缩放以及在线/离线模式），请参阅自定义 Comet 日志记录部分。
-
YOLO26 模型开始训练后，你可以在 Comet 仪表板上查看各种指标和可视化结果。主要功能包括：
- 实验面板：查看不同运行及其指标，包括分割掩码损失、类别损失和平均精度。
- 指标：以表格格式查看指标，以便进行详细分析。
- 交互式混淆矩阵：使用交互式混淆矩阵评估分类准确率。
- 系统指标：监控 GPU 和 CPU 利用率、内存使用量及其他系统指标。
有关这些功能的详细概述，请访问使用 Comet 可视化了解模型性能部分。
可以。在训练开始前设置
COMET_START_ONLINE=0，即可在本地记录：import os os.environ["COMET_START_ONLINE"] = "0"实验数据会保存在磁盘上，连接恢复后可以使用
comet uploadCLI 上传到 Comet。之前的COMET_MODE="offline"变量仍然有效，但会发出弃用警告。有关更多详情，请参阅在线和离线模式部分。